一种辅助诊断衰弱的系统的制作方法

1.本发明属于诊断系统领域，具体涉及一种辅助诊断衰弱的系统。


背景技术：

2.随着人口老龄化的加重，衰老相关疾病的经济负担不断加重，各个国家都在为确保社会制度和医疗保健体系能够应对这一挑战而做准备，有关衰老问题的研究受到前所未有的重视。衰老的本质是退化，表现为机体结构和功能衰退，适应性和抵抗力下降，包括未出现明显临床病变的老年综合征和衰弱。目前研究人员虽然在衰老相关分子生物学、临床医学、流行病学等方面取得了不少成绩，但衰老的评估形式却繁杂多样，标准各异，给实施干预措施带来了很大的困难。
3.衰弱是指老年人生理储备能力降低到一定程度，健康和功能的完好性受损，对于压力源的易感性增加，引发不良结局的一种状态。目前国际上针对衰弱的诊断标准以及评估策略仍局限于躯体功能，检测躯体功能的方法工作量大，难以大面积推广筛查，而且依赖于医生的认为主观判断，容易带来偏倚与误诊。研究人员尽管发现il
‑
6、crp等因子与集体衰弱存在一定的相关性，但炎症因子、激素等可能与衰弱相关的生物标志物成千上万，其与衰弱诊断的相关性和准确度均难以预料，因此目前仍然还没有稳定有效的生物学指标诊断方法。
4.机器学习(machine learning,ml)是一门涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，是如今数据分析领域的研究热点，在管理系统、大数据分析系统、环境监测系统、疾病的辅助诊断系统等多种领域均有广泛的应用，建立基于机器学习的系统，将在多个领域大大减少人力成本，甚至进一步提神检测、判断的精度，具有诸多优势。
5.若能借助机器学习算大，提供一种能够准确、快速的辅助诊断衰弱的系统，避免传统的躯体功能检测带来的偏振误诊，将对医学老龄化健康评估提供重要参考，具有很好的临床应用价值与前景。
6.然而，机器学习方式众多，包括监督式学习、非监督式学习、半监督式学习、强化学习、集成学习等多类，机器学习算法模型又有回归算法模型、神经网络模型、支持向量机模型、随机森林模型多诸多种类，不同的机器学习算法之间各有优劣，在针对辅助诊断衰弱这一特定的技术问题时，如何确定恰当的参数，构建合理的机器学习算法，最终获得精度高、特异性高的系统，依然亟待进一步研究与探索。


技术实现要素：

7.本发明提供了一种辅助诊断衰弱的系统，包括如下模块：
8.数据获取模块：获取患者的血液样本中免疫炎症因子水平；
9.数据库模块：以健康人体、衰弱人体的躯体功能测量指标和血液样本中免疫炎症因子水平数据构成数据库，并随机拆分为训练集和测试集；
10.机器学习模块：构建随机森林模型；
11.训练模块：利用训练集对随机森林模型进行训练，获得训练好的随机森林模型；
12.测试模块：利用测试集对训练好的随机森林模型进行验证；
13.结果输出模块：输出是否衰弱的结果。
14.进一步地，上述免疫炎症因子为：cpr、pgrn、ifnγ、il1β、il3、il4、il6、il8、il10、il11、il12、il17、il22、il23、c3、c4、agrin、iga、gmcsf、ige、igg、igm、bdnf、vegfr1、tnfα、tgfβ。
15.进一步地，上述躯体功能测量指标包括：握力、步速、疲乏状况、近一年体重变化情况、每周活动量。
16.本发明还提供了上述的系统的构建方法，包括如下步骤：
17.(1)构建用于输入免疫炎症因子水平数据的数据获取模块；
18.(2)收集健康及衰弱的自然人的躯体功能测量指标及血液样本中免疫炎症因子水平数据，构建数据库模块；将数据库中的数据随机拆分为训练集和测试集；
19.(3)采用随机森林算法构建随机森林模型，得到机器学习模块；
20.(4)构建采用训练集对随机森林模型进行分析训练的训练模块；
21.(5)构建使用测试集验证并优化训练后的随机森林模型的测试模块；
22.(6)构建将机器学习模块的计算结果输出的输出模块。
23.本发明还提供了一种介质，所述介质储存有计算机可执行指令，所述指令在被处理器执行时刻用于实现权利要求1～3任一项所述的系统，进行如下操作：
24.获取患者的血液样本中免疫炎症因子水平；
25.以健康人体、衰弱人体的躯体功能测量指标和血液样本中免疫炎症因子水平数据构成数据库，并随机拆分为训练集和测试集；
26.构建随机森林模型；
27.利用训练集对随机森林模型进行训练，获得训练好的随机森林模型；
28.利用测试集对训练好的随机森林模型进行验证；
29.结果输出模块：输出是否衰弱的结果。
30.本发明还提供了一种计算设备，包括处理单元、存储器以及i/o接口；
31.所述存储器，用于存储所述处理单元执行的程序或指令；
32.所述处理单元，用于根据所述存储器存储的程序或指令，执行权利要求7～9任一项所述介质所进行的操作；
33.所述i/o接口，用于在所述处理单元的控制下接收或发送数据。
34.本发明提供了一种全新的辅助诊断衰弱系统。本发明系统的辅助诊断结果与临床诊断结果相比较，特异性强，敏感性高，可以作为大面积推广筛查人群衰弱患病率的有效手段，大大减小临床医生对被检者躯体功能测量的工作量，也减少了人为主观带来的偏倚与误诊。本发明为医学老龄化健康评估工作提供非常有价值的参考，也为全民大健康时代提供健康筛查手段。
35.显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
36.以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容
所实现的技术均属于本发明的范围。
具体实施方式
37.本发明所用原料与设备均为已知产品，通过购买市售产品所得。
38.实施例1、本发明辅助诊断衰弱的系统的建立
39.1.收集健康及衰弱的自然人的躯体功能测量指标及血液样本，血液样本用于测量特定的衰弱相关免疫炎症因子水平(包括cpr、pgrn、ifnγ、il1β、il3、il4、il6、il8、il10、il11、il12、il17、il22、il23、c3、c4、agrin、iga、gmcsf、ige、igg、igm、bdnf、vegfr1、tnfα、tgfβ)，构建数据库(数据库模块)。
40.2.将数据库的数据根据2:1的比例分为训练集及测试集，训练集通过随机森林算法分析、训练，确定随机森林最佳参数(训练模块)；验证集用于验证随机森林模型的准确度(测试模块)，达到最佳效果的模型用于构建衰弱诊断模型(机器学习模块)。
41.3、构建用于输入待检对象血液样本中免疫炎症因子的水平的输入模块，以及输出及其学习模块的随机森林模型输出的是否衰弱的判断结果的输出模块。
42.对比例1、基于逻辑回归算法的辅助诊断衰弱系统的建立
43.训练集用于逻辑回归算法训练学习(训练模块)，测试集用于验证训练后的逻辑回归算法训练学习的模型的准确度(测试模块)，达到最佳效果的模型用于构建衰弱诊断模型(机器学习模块)。其余模块的建立同实施例1。
44.对比例2、基于最佳子集算法的辅助诊断衰弱系统的建立
45.训练集用于最佳子集算法训练学习(训练模块)，测试集用于验证训练后的最佳子集算法训练学习的模型的准确度(测试模块)，达到最佳效果的模型用于构建衰弱诊断模型(机器学习模块)。其余模块的建立同实施例1。
46.对比例3、基于支持向量机的辅助诊断衰弱系统的建立
47.训练集用于支持向量机训练学习(训练模块)，测试集用于验证训练后的支持向量机训练学习的模型的准确度(测试模块)，达到最佳效果的模型用于构建衰弱诊断模型(机器学习模块)。其余模块的建立同实施例1。
48.对比例4、基于目前已广泛报道的衰弱相关免疫因子的诊断衰弱系统的建立
49.数据库模块的免疫炎症因子水平仅使用crp、il
‑
6、tnf
‑
α3种，其余模块的建立同实施例1.
50.以下通过实验例证明本发明的有益效果。
51.实验例1、本发明免疫炎症因子水平重要性分析
52.在推断免疫炎症因子重要性时，根据随机森林模型得到的％incmse值(均方误差影响度)进行免疫炎症因子对机器学习结果的影响的评价。对大量免疫炎症因子的％incmse值大小进行排序，％incmse值越高说明该特征越重要，对结果影响越大。结果发现cpr、pgrn、ifnγ、il1β、il3、il4、il6、il8、il10、il11、il12、il17、il22、il23、c3、c4、agrin、iga、gmcsf、ige、igg、igm、bdnf、vegfr1、tnfα、tgfβ的％incmse值相比于其他免疫炎症因子显著更大，说明它们在本发明中参与衰弱的机器学习诊断并具有极高的价值与权重。其中排在前十位的免疫炎症因子数据如下：
53.免疫炎症因子％incmse值
ifnγ26il1014il1711tnfα9bdnf9il48il227il33il83tgfβ2
54.实验例2、本发明免疫炎症因子水平的准确性、特异性及敏感性分析
55.1、被检者收集：按照衰弱诊断的临床标准诊断出的衰弱患者25例，非衰弱正常人体99例，采集血样，并将血样送检免疫炎症因子：cpr、pgrn、ifnγ、il1β、il3、il4、il6、il8、il10、il11、il12、il17、il22、il23、c3、c4、agrin、iga、gmcsf、ige、igg、igm、bdnf、vegfr1、tnfα、tgfβ的水平。
56.所述标准诊断方法如下：
57.(1)1年内体重减轻﹥3kg或5％；
58.(2)自觉疲惫，上周内超过3天做任何事都觉得费劲或缺乏干劲；
59.(3)握力下降(男性<23kg，女性<14kg)；
60.(4)步速下降：行走4.5米需要时间>7秒)；
61.(5)每周活动量下降(男性<383千卡/周，女<270千卡/周)；
62.以上5条条件满足3条或以上即诊断为衰弱。
63.2、取采用实施例1构建的辅助诊断系统，输入各被检者的免疫炎症因子水平，得到输出的预测结果。如表1所示：
64.表1
[0065][0066]
可见，本发明的预测结果准确度高，是辅助诊断衰弱的可靠方法。
[0067]
进一步计算本发明实施例1辅助诊断系统以及对比例1～4的辅助诊断系统的检测敏感性、特异性。
[0068]
敏感性计算方法：
[0069]
敏感性＝真阳性病例数/(真阳性病例数 假阴性病例数)
[0070]
特异性计算方法：
[0071]
特异性＝真阳性病例数/(真阳性病例数 假阳性病例数)
[0072]
计算结果如表2所示：
[0073]
表2
[0074]
系统敏感性特异性实施例10.880.79对比例10.460.57对比例20.440.53对比例30.710.55对比例40.320.63
[0075]
可见，与其他机器学习模型相比，以及与其他输入的特征参数建立的模型相比，本发明采用特定的20余种免疫炎症因子水平参数构建的随机森林模型辅助诊断系统具有最优异的敏感性和特异性，相比于其它辅助诊断系统具有显著的优势。
[0076]
综上，本发明提供了一种全新的辅助诊断衰弱的系统。本发明系统的辅助诊断结果与临床诊断结果相比较，特异性强，敏感性高，相比于其它多种算法系统具有显著的优势，可以作为大面积推广筛查人群衰弱患病率的有效手段，大大减小临床医生对被检者躯体功能测量的工作量，也减少了人为主观带来的偏倚与误诊。本发明为医学老龄化健康评估工作提供非常有价值的参考，也为全民大健康时代提供健康筛查手段。